Аналіз даних з використанням байєсівських моделей

Виконано огляд деяких байєсівських моделей аналізу даних, зокрема моделей з одним і кількома параметрами. Запропоновано методику побудови графічних імовірнісних моделей у формі байєсівських мереж на основі статистичних даних і експертних оцінок. Методика забезпечує побудову імовірнісних моделей високого ступеня адекватності для розв’язання задач класифікації та прогнозування. Запропоновано інтегровану динамічну мережеву модель, яка ґрунтується на об’єднанні імовірнісної мережі Байєса з регресійною моделлю і відрізняється від відомих можливістю оцінювання багатокрокових прогнозів. Оцінки прогнозів, отримані за допомогою динамічної мережевої моделі, порівняно з результатами, отриманими за допомогою логістичної регресії у комбінації з множинною регресією. Кращі результати досягнуто у даному випадку за допомогою комбінованої мережевої моделі.

Рік видання: 
2012
Номер: 
1
УДК: 
519-866
С. 40—54. Іл. 1. Табл. 1. Бібліогр.: 23 назви.
Література: 

1. Згуровский М.З., Панкратова Н.Д. Системный анализ. — К.: Наук. думка, 2011. — 900 с.
2. Згуровский М.З., Подладчиков В.Н. Аналитические методы калмановской фильтрации. — К.: Наук. думка, 1995. — 286 с.
3. Haykin S. Kalman filtering and neural networks. — New York: John Wiley & Sons, Inc., 2001. — 284 р.
4. Rao M.J.M. Filtering and control of macroeconomic systems. — Amsterdam: North-Holland, 1987. — 280 p.
5. Згуровский М.З., Бидюк П.И. Анализ и управление большими космическими конструкциями. — К.: Наук. думка, 1997. — 452 с.
6. Рассел С., Норвиг П. Искусственный интеллект. — М.: Вильямс, 2006. — 1408 с.
7. Зайченко Ю.П. Нечеткие модели и методы в интеллектуальных системах. — К.: Слово, 2008. — 344 с.
8. Bernardo J.M., Smith A.F.M. Bayesian theory. — New York: John Wiley & Sons, Inc., 2001. — 586 p.
9. Bayesian data analysis / A. Gelman, J.B. Carlin, H.S. Stern, D.B. Rubin. — New York: Chapman and Hall/CRC, 2004. — 670 p.
10. Rossi P.E., Allenby G.M., McCulloch R. Bayesian statistics and marketing. — New Jersey: John Wiley & Sons, Ltd, 2005. — 348 p.
11. Probabilistic networks and expert systems / R.G. Cowell, A.P. Dawid, S.L. Lauritzen, D.J. Spiegelhalter. — New York: Springer, 1999. — 323 p.
12. Zgurovsky M.Z., Bidyuk P.I., Terentyev O.M. Method of constructing Bayesian networks based on scoring functions // Cybernetics and System Analysis. — 2008. — 44, N 2. — P. 219—224.
13. Holsapple C.W., Winston A.B. Decision support systems. — Saint Paul (USA): West Publishing Company, 1996. — 850 p.
14. Turban E., Aronson J.E. Decision support systems. — New Jersey: Prentice Hall, 2001. — 866 p.
15. Бідюк П.І., Коршевнюк Л.О. Проектування систем підтримки прийняття рішень. — К.: НТУУ “КПІ”, 2010. — 320 с.
16. Cooper G.F., Herskovits E.H. A Bayesian method for the induction probabilistic networks from data // Machine Learning. — 1992. — N 9. — P. 309—347.
17. Herskovits E.H. Computer-based probabilistic network construction: Doctoral dissertation. — CA, Stanford: Stanford University, 1991. — 225 p.
18. Bouckaert R.R. Probabilistic network construction using the MDL principle: Technical report TR-RUU-CS-94-27. — Utrecht University, 1994. — 26 p.
19. Wermuth N., Lauritzen S. Graphical and recursive models for contingency tables // Biometrica. — 1983. — 72. — P. 537—552.
20. Fung R.M., Crawford S.L. Constructor: a system for the induction of probabilistic models. — Boston, MA: MIT Press, Proc. AAAI. — P. 762—769.
21. Lauritzen S., Spiegelhalter D. Local computations with probabilities on graphical structures and their application to expert systems // J. of the Royal Statistical Society. Series B. — 1988. — 50, N 2. — P. 157—224.
22. Rissanen J. Fisher information and stochastic complexity // IEEE transactions on Information Theory. — 1996. — 42. — P. 40—47.
23. Cooper G. The computational complexity of probabilistic inference using Bayesian belief networks // Artificial Intelligence. — 1990. — 42. — P. 393—405.

Текст статтіРозмір
2012-1-6.pdf372.06 КБ